CRF++ 有更多的传入链接，因为它是一个较旧的库。在我看来，
CRFSuite更胜一筹。

• CRFSuite 的作者声称它在训练模型时 比 CRF++ 快 20 倍。
• 对输入数据的刚性要求较低。

如果您正在寻找 Python 绑定 CRFSuite 也更好，因为您可以在 Python 中训练模型，而在 CRF++ 中您只能在 Python 中测试现有模型。（这对我来说是个大问题。） CRFSuite 还附带了一堆 Python 示例代码，例如 NER、Chunking 和 POS 标记。

以下是其他一些包装器/实现：

• https://github.com/adsva/python-wapiti - http://wapiti.limsi.fr/的 Python 包装器。马鹿很快；crfsuite 基准测试对 wapiti 是不公平的，因为 wapiti 可以将 L-BFGS 训练并行化到多个 CPU 内核，并且此功能未在基准测试中使用。Wapiti 的问题在于它不是作为库编写的。包装器努力克服这一点，但你仍然可以得到一个 uncatchable exit()，而且我在训练期间看到了内存泄漏。此外，wapiti 在它可以表示的一种特征方面受到限制，但 CRFsuite 也受到限制（以不同的方式）。Wapiti 捆绑在一个包装器中，无需单独安装。
• https://github.com/jakevdp/pyCRFsuite - crfsuite 的包装器。包装器非常先进，允许使用 scipy 稀疏矩阵作为输入，但似乎有一些未解决的问题，在某些情况下可能会出现段错误。
• https://github.com/tpeng/python-crfsuite - 另一个 crfsuite 包装器。这个比较简单；它捆绑了 crfsuite 以便于安装，并且只需使用“pip install python-crfsuite”即可安装。
• https://github.com/larsmans/seqlearn提供了结构化感知器，在许多情况下可以替代 CRF。在 seqlearn 中，结构化感知器的实现非常快。有一个 PR（在撰写本文时尚未合并）为 seqlearn 添加了 CRF 支持；它看起来很结实。
• https://github.com/timvieira/crf - 它非常基本，没有一些基本功能，但它只需要 numpy。

如果可以的话，我建议使用 seqlearn，如果你需要 CRFsuite 训练算法和训练速度，我建议使用 python-crfsuite，如果你需要更高级的 CRFsuite 集成并准备好面对一些不便，我建议使用 pyCRFsuite，如果你需要 Wapiti 训练算法或功能，我建议使用 python-wapiti如果无法使 C/C++ 编译器正常工作，则在 CRFsuite（例如调节对转换的个别观察）和 timvieira 的 crf 中不可用，但可以使用预构建的 numpy。

CRF++通常是一种流行的选择，并且具有Python 绑定。CRFSuite也有记录在这里的绑定，但似乎没有像 CRF++ 那样广泛使用。在撰写本文时，scikit-learn 等更高级别的机器学习框架缺乏 CRF 支持（请参阅此拉取请求）。

我认为您正在寻找的是PyStruct。

PyStruct 旨在成为一个易于使用的结构化学习和预测库。目前它只实现最大边距方法和感知器，但其他算法可能会遵循。

PyStruct 的目标是为研究人员和非专家提供一个有据可查的工具，以利用结构化预测算法。该设计试图尽可能接近 scikit-learn 的界面和约定。

PyStruct附带很好的文档，并且在github上积极开发。

下表是从PyStruct - Python 中的结构化预测中PyStruct提取的与CRFsuite其他包的比较表：